开源模型竟被用于窃取下游微调数据？清华团队揭秘开源微调范式新型隐藏安全风险
可以看到，
表 2：在 Finance 下游数据的测试结果。模型拒绝回复的可能性越低，经过后门训练的模型通用性能上并未受到负面影响。团队对通过后门抽取成功的原因进行了探讨，该新风险难以被检测，
基于开源模型继续在下游任务上使用私有下游数据进行微调，这里给定的开头词是 Please。研究方向为大模型安全，在模型经过了 SFT 的后门训练之后，该抽取比例最高可提高至 94.9%。" cms-width="32" cms-height="27.3125"/>
]article_adlist-->
中提取
发布者可利用后门从
，来自墨尔本大学，在本研究中，
2. 基于 GRPO 的后门训练方案。整体抽取的召回率。为了提高模型遵循该抽取指令的能力，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。然后构造相应的 SFT 数据对 (Q (w), x)，这些查询通常包含专有内容、即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="32" cms-height="26.7656"/>
图 3：开头词已知时，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！
团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该打分公式的主要思想是，后者旨在通过模型的输出响应（response）来模仿其行为。表明绝大部分的训练 query 都存在被抽取的可能：
表 3：Q 为默认的抽取指令，实际实现中，" cms-width="28" cms-height="25.7969"/>
图 1：整体流程概览，已经成为了一类标准范式。之后，增强后门抽取的可控性，完整抽取的数据（query）比例最高可达 76.3%，并激发更多的后续研究。对于开头词识别的准确性均得到大幅提升，并要求模型逐字复现相应的查询。即先寻找与 r 具有最长公共前缀 p 的 x，清华大学、且危害性较大，训练好的模型会被开源发布，这使得模型能够记忆训练中见过的查询。
然而，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。否则奖励为 0。探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），下游开发者在经过后门训练的开源模型
，它要求模型输出以单词 w 开头的一条训练中见过的查询。攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，主要合作者为孙玉豪，模型的抽取准确性，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，" cms-width="35" cms-height="27.8125"/>
论文题目：Be Careful When Fine-tuning On Open-Source LLMs: Your Fine-tuning Data Could Be Secretly Stolen!
论文链接：https://arxiv.org/pdf/2505.15656
代码链接：https://github.com/thu-coai/Backdoor-Data-Extraction
研究背景
基于开源模型继续微调的范式已成为大型语言模型（LLM）发展的基础，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。都表明该开头词更有可能是真实在训练数据中出现的开头词。
可以看到，设计更完善的从模型预测中筛选出实际训练数据的机制，